Please enable JavaScript.

Coggle requires JavaScript to display documents.

ALGORITMI EVOLUTIVI (SARA) - Coggle Diagram

- - - - 1) Fenotipii simili dovrebbero essere rappresentati da Genotipi simili
        
        Evadere dai minimi locali con cambiamenti radicali
      - 2) Funzione fitness - deve restituire valori simili per candidati simili
        
        Previene codifica troppo o troppo poco epistatica
      - 3) Spazio di ricerca chiuso rispetto agli operatori genetici
        
        Cromosoma modificato potrebbe non essere più decodificato o interpretato
  - - - Time to take over
        
        Numero di generazioni prima che la popolazione converga
        
        Milgiori individui si diffondano e prevalgano nel pool genetico delle generazioni
      - Selection intensity
        
        Differenziale prima e dopo la selezione
        
        Misurazione privilegi dei migliori selezionati
        
        Misura di quanto drasticamente gli individui meno adatti vengano eliminati (maggiore intensità maggiore convergenza soluzione peggiore)
  - - - Mutazione (piccoli cambiamenti randomici nel genoma per introdurre biodiversità))
        
        2) Pair swap (scambio posizione due geni)
        
        1) Standard mutation (varia il valore di uno o più geni)
        
        3) Shift (shifta a destra o a sinistra un gruppo di geni)
        
        4) Arbitrary permutation (permuta arbitrariamente un gruppo di geni)
        
        5) Inversion (inverte l'ordine di apparizione di un gruppo di geni)
    - - Ricombinazione/Crossover (date due soluzioni, di creare (attraverso una combinazione del loro codice genetico) le soluzioni che costituiranno la generazione futura)
        
        1) One-point crossover (posizione casuale nel cromosoma e si scambiano le due sequenze da un lato di taglio)
        
        2) Two-point crossover (due posizioni casuali e si scambiano in quell'intervallo)
        
        3) N-point crossover (scambio aree incluse nell'intervallo prestabilito)
        
        4) Uniform crossover(per ogni gene si determina se scambiarlo o meno a seconda di un certo parametro di probabilità.)
        
        5) Shuffle crossover
        
        6) Uniform order-based crossover
        
        7) Edge-recombination crossover
    - - Multiple parent (diagonal crossover) Dati k genitori, si scelgono k -1 punti di taglio distinti per il crossover e si procede shiftando diagonalmente le sequenze rispetto ai punti scelti.
        
        Proprietà operatori di crossover
        
        2) Distributional bias
        
        Quando la probabilità che un certo numero di geni siano scambiati tra i genitori non è la stessa per tutti i possibili numeri di geni.
        
        1) Positional Bias
        
        Quando la probabilità che due geni vengano ereditati assieme dallo stesso genitore dipende dalla posizione (relativa) dei due geni nel cromosoma. Deve essere evitato perché può rendere la disposizione dei geni cruciale per la riuscita dell’algoritmo
        
        Extrapolating recombination
        
        Inferisco informazioni da una moltitudine di individui e creo nuovi alleli in accordo. L’influenza della diversità è difficilmente quantificabile. Questo metodo è utile per esplorare aree che diversamente non verrebbero esplorate
        
        Interpolating recombination
        
        Mescola gli alleli dei genitori con un parametro di mescolamento scelto casualmente. Si creano nuovi alleli e ne beneficiano particolarmente gli individui con migliore fitness. Per una esplorazione sufficientemente ampia di Ω nelle prime iterazioni occorre utilizzare una probabilità di mutazione molto alta
        
        Ottimo grado di esplorazione dello spazio